一种改进的VMD-XGBoost验潮站月海面高序列预测模型

海平面不断上升威胁人类的生命安全,高精度的海平面预测对人类预防水文灾害具有重要意义。现有的预测方法因验潮站数据为单一时间序列而难以进行高精度预测。针对此问题,提出一种融合变分模态分解(VMD)和极度梯度提升算法(XGBoost)的变分模态分解-极度梯度提升预测模型,简称VMD-XGBoost模型。与XGBoost模型、卷积神经网络与长短期记忆神经网络混合模型(CNN-LSTM)、变分模态-卷积神经网络与长短期记忆神经网络混合模型(VMD-CNN-LSTM)对比,对荷兰沿岸海平面验潮站时间序列进行预测。验潮站预测结果分析表明:相较于XGBoost模型,VMD-XGBoost模型预测结果的均方根误差平均降低65.43%,平均绝对误差平均降低63.79%,平均绝对百分比误差平均降低63.44%,且相较于VMD-CNN-LSTM模型,VMD-XGBoost模型在验潮站海面高序列预测上具有更高预测精度,可实现高精度验潮站时间序列预测。

基于奇异谱分析的DGPS浮标海面高测量误差研究

在高度计绝对定标实验中,利用差分GPS(Differential GPS,DGPS)浮标进行现场海面高测量得到的海面高(Sea Surface Height,SSH)序列之中,除了包含有由风浪引起的高频噪声外,还包括了仪器误差造成的影响。前者可通过低通滤波方式消除,而后者由于是全频段的白噪声,不能通过低通滤波的方式消除。通过研究奇异谱分析(Singular Spectrum Analysis,SSA)的方法,确定了嵌入维数和截断长度的选取准则,并对其进行仿真,验证了该方法在消除海面高序列的仪器误差噪声中的有效性,同时也验证了嵌入维数和截断长度选取准则的有效性。最后,利用该方法处理了某次DGPS浮标实验获得的海面高序列,处理结果与原始序列相比较为平滑,且在精度上有一定的改善,验证了奇异谱分析方法的有效性。